一种基于智慧物业的社区资源管理方法及系统与流程

本发明涉及社区资源管理，特别是一种基于智慧物业的社区资源管理方法及系统。

背景技术：

1、随着智慧物业技术的快速发展和社区资源管理的需求日益增加，促使人们开始关注如何利用智慧物业技术提升社区资源管理的效率和便利性。基于智慧物业的社区资源管理方法旨在整合物联网、大数据分析、人工智能等先进技术，将各类社区资源进行数字化管理，尤其是对于社区电梯的管理尤为重要，通过对社区电梯资源的远程监控，从而智能分析电梯资源的运行状态，以提前生成安全预警等功能，能够有效保护社区居民人身安全。传统的社区资源管理存在诸多问题，例如对所采集到社区资源的数据处理效率低下，导致预警功能响应速度慢；并且所处理得到的数据可靠低，影响预测结果可靠性，常出现误警报情况；通常需要人力进行巡查监管，管理成本高昂。因此，研究基于智慧物业的社区资源管理方法成为当前的热点和挑战。

技术实现思路

1、本发明克服了现有技术的不足，提供了一种基于智慧物业的社区资源管理方法及系统。

2、为达到上述目的本发明采用的技术方案为：

3、本发明第一方面公开了一种基于智慧物业的社区资源管理方法，包括以下步骤：

4、基于大数据网络获取目标资源在各种状态之下运行时对应的历史特征数据，并对所述历史特征数据进行修正处理，得到目标资源在各种状态之下修正后的历史特征数据；

5、根据所述修正后的历史特征数据计算各状态之间的转移概率，并根据各状态之间的转移概率生成状态转移矩阵；构建马尔科夫模型，根据所述状态转移矩阵对所述马尔科夫模型进行训练，输出训练完成的马尔科夫模型；

6、在多个预设时间节点采集目标资源的实时特征数据，并基于模糊聚类算法对所采集得到的实时特征数据进行聚类处理，得到若干个实时特征数据集；

7、将各实时特征数据集的实时特征数据导入所述训练完成的马尔科夫模型中进行预测推演，得到预测结果，根据所述预测结果生成警报信息，并将所述警报信息发送至智慧物业控制终端上。

8、进一步地，本发明的一个较佳实施例中，基于大数据网络获取目标资源在各种状态之下运行时对应的历史特征数据，并对所述历史特征数据进行修正处理，得到目标资源在各种状态之下修正后的历史特征数据，具体为：

9、基于大数据网络获取目标资源在各种状态之下运行时对应的历史特征数据，对所述历史特征数据进行标准化处理，以确保各历史特征数据在相同尺度上；其中，所述状态包括正常运行、部分故障以及完全故障；

10、引入局部离群因子算法，通过交叉验证方式确定领域大小，对于每个历史特征数据，计算其与其它历史特征数据之间的马氏距离，将计算所得的马氏距离按升序排列，并选择第k个马氏距离最近的邻居数据的距离作为k距离；

11、对于每个历史特征数据，计算其与每个邻居数据的k距离的最大值作为可达距离；其中，可达距离用于衡量每个历史特征数据与其邻居之间的紧密程度；

12、对于每个数据点，将其邻居数据的可达距离与其自身的可达距离进行比值处理，从而确定该历史特征数据相对于邻居的离群程度，即得到该历史特征数据的局部离群因子值；

13、将各历史特征数据的局部离群因子值与预设值进行比较；若某一历史特征数据的局部离群因子值大于预设值，则将该历史特征数据筛除，得到修正后的历史特征数据。

14、进一步地，本发明的一个较佳实施例中，根据所述修正后的历史特征数据计算各状态之间的转移概率，并根据各状态之间的转移概率生成状态转移矩阵，具体为：

15、将目标资源在各种状态之下修正后的历史特征数据划分为不同的时间段，以确定时间间隔；

16、在每个时间间隔内，计算目标资源从一个状态转移到另一个状态的次数，得到不同状态之间状态转移次数；根据不同状态之间状态转移次数计算状态之间的转移概率；

17、构建状态转移矩阵，并将计算得到的转移概率填入所述状态转移矩阵中；计算所述状态转移矩阵中各转移概率之间的差值，根据各转移概率之间的差值生成残差；

18、基于最小二乘法使残差的平方和最小化，以根据最小化残差的平方和确定出状态转移矩阵的拟合度；判断所述状态转移矩阵的拟合度是否满足预设要求，若满足预设要求，则直接将满足预设要求的状态转移矩阵输出；

19、若不满足预设要求，则重新计算状态之间的转移概率，并更新状态转移矩阵，直至状态转移矩阵的拟合度满足预设要求后，将所述满足预设要求的状态转移矩阵输出。

20、进一步地，本发明的一个较佳实施例中，构建马尔科夫模型，根据所述状态转移矩阵对所述马尔科夫模型进行训练，输出训练完成的马尔科夫模型，具体为：

21、对所述状态转移矩阵进行特征向量分解，得到状态转移矩阵的特征向量和对应的特征值；

22、对所述状态转移矩阵的特征向量进行归一化处理，使其所有元素之和为1，得到马尔科夫链的稳态分布；其中，稳态分布表示在目标资源经过预设时段后，各个状态的概率分布；

23、构建马尔科夫模型，根据所述马尔科夫链的稳态分布初始化马尔科夫模型的起始节点状态，并将所述状态转移矩阵导入所述马尔科夫模型中；将导入马尔科夫模型中的状态转移矩阵进行卷积处理，并获取经过卷积处理后状态转移矩阵的卷积特征；

24、根据所述卷积特征与起始节点状态定义马尔科夫模型的初始训练参数，并基于所述初始训练参数对马尔科夫模型进行训练，直至训练误差收敛值预设数值，输出模型参数；

25、根据所述模型参数，结合最大拟然估计法计算马尔科夫模型的对数似然函数值，若所述对数似然函数值大于预设对数似然函数值，则说明模型参数满足拟合要求，则输出训练完成的马尔科夫模型；

26、若所述对数似然函数值不大于预设对数似然函数值，则重新定义马尔科夫模型的初始训练参数，并继续对马尔科夫模型进行训练，直至马尔科夫模型的数似然函数值大于预设对数似然函数值，则输出训练完成的马尔科夫模型。

27、进一步地，本发明的一个较佳实施例中，基于模糊聚类算法对所采集得到的实时特征数据进行聚类处理，得到若干个实时特征数据集，具体为：

28、确定目标资源数目，根据目标资源数目初始化若干个聚类簇，根据所述聚类簇与实时特征数据随机生成一个初始隶属度矩阵；其中，初始隶属度矩阵中的元素表示实时特征数据属于某个聚类簇的隶属度，初始值为0或1；

29、计算各聚类簇中所有实时特征数据的加权平均值，以根据加权平均值确定出每个聚类簇的模糊聚类中心；根据每个聚类簇的模糊聚类中心，重新计算其簇内每个实时特征数据属于每个聚类簇的隶属度，根据重新计算得到的每个实时特征数据属于每个聚类簇的隶属度更新所述初始隶属度矩阵，得到隶属度矩阵；

30、判断隶属度矩阵与初始隶属度矩阵之间的差异是否小于预设阈值；若小于阈值，则停止迭代，输出最终隶属度矩阵；若不小于预设阈值，则重复以上步骤，直至小于阈值，则停止迭代，输出最终隶属度矩阵；

31、根据最终隶属度矩阵，将每个实时特征数据划分到最高隶属度的聚类簇中，输出聚类结果，根据所述聚类结果得到若干个初始实时特征数据集，并对若干个初始实时特征数据集进行修正，得到若干个实时特征数据集。

32、进一步地，本发明的一个较佳实施例中，对若干个初始实时特征数据集进行修正，得到若干个实时特征数据集，具体为：

33、获取各个初始实时特征数据集中的实时特征数据，并引入欧氏距离算法，通过所述欧氏距离算法计算各个初始实时特征数据集中实时特征数据与其模糊聚类中心之间的欧氏距离；

34、判断初始实时特征数据集中实时特征数据与其模糊聚类中心之间的欧氏距离是否大于预设欧氏距离，若大于，则将该实时特征数据标记为聚类异常数据，并将该聚类异常数据在相应的初始实时特征数据集中剔除；

35、计算该聚类异常数据与其余初始实时特征数据集中模糊聚类中心之间的欧氏距离，并将该聚类异常数据与其余初始实时特征数据集中模糊聚类中心之间的欧氏距离进行排序，得到最小欧氏距离；

36、若所述最小欧氏距离依旧大于预设欧氏距离，则说明该聚类异常数据为无效数据，将其彻底筛除；若所述最小欧氏距离不大于预设欧氏距离，则将该聚类异常数据重新聚类至与最小欧氏距离相应的初始实时特征数据集中；

37、重复以上步骤，直至对所有初始实时特征数据集均修正完毕，更新各个初始实时特征数据集，得到若干个实时特征数据集。

38、进一步地，本发明的一个较佳实施例中，将各实时特征数据集的实时特征数据导入所述训练完成的马尔科夫模型中进行预测推演，得到预测结果，根据所述预测结果生成警报信息，并将所述警报信息发送至智慧物业控制终端上，具体为：

39、将各实时特征数据集的实时特征数据导入所述训练完成的马尔科夫模型中进行预测推演，得到预测结果；

40、根据所述预测结果得到各目标资源预设时间段的状态信息，当所述状态信息为预设类型状态信息时，则获取状态信息为预设类型状态信息目标资源的位置信息；

41、基于状态信息为预设类型状态信息目标资源的位置信息生成警报信息，并将所述警报信息发送至智慧物业控制终端上。

42、本发明第二方面公开了一种基于智慧物业的社区资源管理系统，所述社区资源管理系统包括存储器与处理器，所述存储器中存储有社区资源管理方法程序，当所述社区资源管理方法程序被所述处理器执行时，实现如下步骤：

43、基于大数据网络获取目标资源在各种状态之下运行时对应的历史特征数据，并对所述历史特征数据进行修正处理，得到目标资源在各种状态之下修正后的历史特征数据；

44、根据所述修正后的历史特征数据计算各状态之间的转移概率，并根据各状态之间的转移概率生成状态转移矩阵；构建马尔科夫模型，根据所述状态转移矩阵对所述马尔科夫模型进行训练，输出训练完成的马尔科夫模型；

45、在多个预设时间节点采集目标资源的实时特征数据，并基于模糊聚类算法对所采集得到的实时特征数据进行聚类处理，得到若干个实时特征数据集；

46、将各实时特征数据集的实时特征数据导入所述训练完成的马尔科夫模型中进行预测推演，得到预测结果，根据所述预测结果生成警报信息，并将所述警报信息发送至智慧物业控制终端上。

47、本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：根据所述修正后的历史特征数据计算各状态之间的转移概率，并根据各状态之间的转移概率生成状态转移矩阵；构建马尔科夫模型，根据所述状态转移矩阵对所述马尔科夫模型进行训练，输出训练完成的马尔科夫模型；在多个预设时间节点采集目标资源的实时特征数据，并基于模糊聚类算法对所采集得到的实时特征数据进行聚类处理，得到若干个实时特征数据集；将各实时特征数据集的实时特征数据导入所述训练完成的马尔科夫模型中进行预测推演，得到预测结果，根据所述预测结果生成警报信息，并将所述警报信息发送至智慧物业控制终端上。通过先进的数据处理技术对数据进行处理，能够提高数据处理效率，从而提高系统响应速度，所分析得到数据可靠性高，进而提高预测精度，并且实现了远程智能分析，降低管理成本。